Sequential模型实现手写数字识别

Sequential模型实现手写数字识别

Sequential模型是一个神经网络的框架，只有一组输入和一组输出，各个层之间按照顺序先后堆叠。

一般来说使用Sequential搭建、使用、评估神经网络可以有以下几步：

1、建立模型

首先先导入需要的函数库和加载手写数字的训练集

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
mnist = tf.keras.datasets.mnist
(train_x,train_y),(test_x,test_y) = mnist.load_data()

然后开始设计神经网络结构
因为输入的每张图片是28*28的黑白图片，类型为二维数组，所以在输入的时候要指定好输入的尺寸大小，这里我们将加载的测试集拉伸为784的一维张量（也可直接用Flatten()函数），并对数据进行归一化来加快数据的处理

X_train = train_x.reshape(60000,28*28)#共60000张图片
X_test = test_x.reshape(10000,28*28)#共一万张图片
X_train,X_test=tf.cast(train_x/255.0,tf.float32),tf.cast(test_x/255.0,tf.float32)
y_train,y_test = tf.cast(train_y,tf.int16),tf.cast(test_y,tf.int16)

开始建立模型
输入层我们用Flatten()函数获取到28*28的输入
隐含层我们设置128个神经元，激活函数为relu
输出层有10个，分别为0-9的数字，因为是多分类任务，我们选择softmax作为激活函数

model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))
model.add(tf.keras.layers.Dense(128,activation='relu'))
model.add(tf.keras.layers.Dense(10,activation='softmax'))

2、配置训练方法

使用compile()函数对模型配置训练
优化器我们使用Adam
损失函数我们使用稀疏交叉熵损失函数
因为标签值为0-9的数，预测值为概率，所以准确率使用稀疏分类准确率函数

model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['sparse_categorical_accuracy'])

3、训练模型

一共60000个数据，划分出0.2作为测试数据，小批量使用64个数据，训练五轮

model.fit(X_train,y_train,batch_size=64,epochs=5,validation_split=0.2)

测试结果如下

可以看到最后训练集上的损失和准确率分别为0.0635、98.09%，测试集上的损失和准确率分别为0.0943、97.19%

4、评估模型

使用evaluate函数评估模型

model.evaluate(X_test,y_test,verbose=2)

模型输出损失为0.091，准确率为97.04%

5、使用模型

我们选择一个数据进行测试，先了解第6张数据的值

plt.axis('off')
plt.imshow(test_x[5],cmap='gray')
plt.show()
print(y_test[5])

第6张图片标签值为1
使用模型进行测试

print(model.predict([[X_test[5]]]))
print(np.argmax(model.predict([[X_test[5]]])))

输出结果
可以看到为1的概率最大，输出结果与标签值相同。
也可以多测试几组数据，这里就不展示了。